برآورد دمای خاک در اقلیم های مختلف با استفاده از روش های داده محور

دمای خاک یکی از جنبه های مهم کشاورزی و هیدرولوژی است و اندازه گیری دقیق آن برای اطمینان از رشد و نمو مطلوب گیاه بسیار مهم است. دمای خاک عاملی است که بر بسیاری از فرآیندها مانند جوانه زنی، میزان رطوبت خاک، هوادهی، سرعت نیتریفیکاسیون تبدیل آمونیاک به نیترات و در دسترس بودن مواد مغذی گیاه تاثیر می گذارد. با توجه به این که داده های دمای خاک در بعضی از ایستگاه های سینوپتیک اندازه گیری می شود، اغلب داده ها دارای محدودیت و یا نواقصی هستند. با این حال انتخاب بهترین روش جهت پیش بینی و تخمین دمای خاک با سایر داده های هواشناسی موجود، رویکردی موثر و کار آمد در بسیاری از زمینه ها می باشد؛ لذا در مطالعه حاضر، توانایی مدل های داده محور رگرسیون فرایند گاوسی (GPR)، رگرسیون ماشین بردار پشتیبان (SVR)، الگوریتم M۵P، رگرسیون خطی (LR) و شبکه عصبی پرسپترون چندلایه (MLP) در برآورد دمای خاک سه ایستگاه اراک، رامسر و شیراز طی دوره آماری ۳۲ ساله با استفاده از پنج معیار اعتبارسنجی مورد ارزیابی قرار گرفت. نتایج بدست آمده نشان داد که سناریو هشتم M۵P و LR با داشتن جذر میانگین مربعات خطای کمتر به ترتیب «۸۹۹/۰و ۸۸۹/۰» برای ایستگاه رامسر، «۹۵۸/۰ و۹۴۹/۰» برای ایستگاه اراک و «۹۶۶/۰ و۹۵۳/۰» برای ایستگاه شیراز، عملکرد بهتری نسبت به سایر مدل ها داشته است. همچنین پارامتر های رطوبت نسبی و دمای هوا از موثر ترین پارامتر های هواشناسی مورد نیاز در برآورد دمای خاک شناخته شد، بطوری که افزودن این پارامتر ها باعث افزایش دقت مدل می شود.

کلیدواژه ها:

Estimation ، Gaussian model regression ، meteroogical parameters ، Multilayer neural network ، Support Vector Regression